Investigating low-pressure AI-enabled PAP therapy without compromising AHI: a win for all OSA patients
Notice bibliographique
Résumé
<bold>Introduction:</bold> Despite the advantage of increased comfort, low-pressure Positive Airway Pressure (PAP) therapy raises the Apnea-Hypopnea Index (AHI). We hypothesize our AI-driven cMAP™ algorithm (Hanafi. et al. ERJ 2023 62: PA573), enables PAP therapy at significantly reduced pressures while preserving efficacy. <bold>Methods:</bold> An ongoing randomized crossover study on PAP-adherent OSA patients (n=50) aims to evaluate cMAP™'s effectiveness in treating OSA with lower mean therapy pressures than conventional auto PAP (APAP). Patients undergo one week of cMAP™ (test) and one week of APAP therapy (control). Pressure and AHI are monitored via the PAP device, and the SleepImage™ Ring tracks sleep staging and SleepImage AHI (sAHI). <bold>Results:</bold> Preliminary results across subjects (2 female, 4 male, significance determined via paired t-tests) show cMAP™ delivers lower mean nightly therapy pressure than APAP (p<0.01), averaging -1.8±0.6 cmH20 (±S.D.). No differences are observed in AHI (p=0.75) or sAHI (p=0.69). 2/6 subjects spent more time in stable non-REM sleep with cMAP™ (+14% of night, p<0.05) with no differences in the remaining 4 patients. <bold>Conclusion:</bold> cMAP™ has the potential to improve pressure related comfort and quality of care. Future work includes developing a technique to tailor cMAP™’s AI component to individual subjects. <fig><object-id>erj;64/suppl_68/PA4470/F1</object-id><object-id>F1</object-id><object-id>F1</object-id><graphic></graphic></fig>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».